基于注意力机制的时空图卷积神经网络的微电网暂态功角轨迹预测方法技术

基于注意力机制的时空图卷积神经网络的微电网暂态功角轨迹预测方法，该方法先确定当前时间各VSG所有通道的检测值以及电气邻接矩阵为时空图卷积神经网络的输入特征，再确定预测的未来时间各VSG的功角值为输出特征；接着构建基于注意力机制的时空图卷积神经网络的微电网功角轨迹预测模型；接着生成样本数据并预处理，将样本数据分为训练样本、验证样本和测试样本；再接着使用训练样本对模型训练，后将验证样本送入训练后的模型中来计算验证预测结果，得到最优化的模型；最后使用测试样本对最优化的模型进行性能评估，若结果理想，则可根据当前采集计算的输入特征预测未来时刻微电网各VSG的功角轨迹。本发明专利技术能有效准确的预测出微电网各VSG的功角轨迹。预测出微电网各VSG的功角轨迹。预测出微电网各VSG的功角轨迹。

【技术实现步骤摘要】
基于注意力机制的时空图卷积神经网络的微电网暂态功角轨迹预测方法


[0001]本专利技术涉及微电网
，尤其指一种基于注意力机制的时空图卷积神经 网络的微电网暂态功角轨迹预测方法。

技术介绍

[0002]由于虚拟同步机(VSG)模拟同步发电机的调频外特性，微电网中的VSG 在网络发生如短路故障等大扰动时将存在功角失稳问题，影响微电网的安全运行。 因此，为了给微电网暂态稳定预防控制提供信息并争取时间，保证微电网的安全 稳定运行，快速准确的预测微电网在线暂态功角的轨迹非常重要。
[0003]目前，微电网在线暂态功角轨迹预测方法主要有：
[0004]1、申请号为202111018894.3公开的基于人工神经网络的VSG多机系统暂 态稳定评估方法，该方法进行了适用于微电网暂态稳定评估的输入特征集选择， 并基于人工神经网络实现了多VSG微电网的在线暂态稳定评估，但该方法仅能 给出系统暂态功角稳定与否的二值结论，为系统暂态稳定预测所提供的信息较为 单一。
[0005]2、申请号为202111188280.X公开的基于长短期记忆网络的微电网暂态稳定 评估方法，该方法提出了一种基于LSTM网络的VSG功角轨迹预测方法，该方 法以VSG功角为输入，实现了单机无穷大系统VSG功角时序轨迹的预测。但实 际大规模复杂微电网中，各台VSG的暂态功角稳定性不仅受自身特性的影响， 同样受其他VSG的功角特性、系统拓扑分布、故障位置、故障程度和故障持续 时间的影响。这说明各台VSG暂态功角失稳特性不仅反映在逆变器的时序响应 轨迹中，还可能在空间上以一定的动态分布规律呈现。当系统遭遇严重暂态事故 后，受扰严重的易失稳VSG的功角可能首先摆开超过360
°
，随着该节点功率 不平衡加重，系统其余部分的VSG暂态功角稳定性急剧变化，功角失稳机组将 逐渐扩大至更大的区域。显然，该方法无法提取网络空间分布特性特征，制约了 该方法应用于实际复杂微电网的可靠性。
[0006]若充分考虑微电网系统空间特性，将系统暂态响应轨迹信息与网络空间拓扑 和故障信息有机融合，则有望从广域时空视角出发，全面提取影响微电网暂态功 角失稳的关键特征，进行准确的微电网功角轨迹预测。然而，现有微电网暂态功 角轨迹预测的专利和文献中几乎没有考虑时空特性与系统功角轨迹相关性的研 究，这制约了现有方法应用于大规模复杂微电网时的可靠性和准确性。

技术实现思路

[0007]本专利技术所要解决的技术问题是提供一种基于注意力机制的时空图卷积神经 网络的微电网暂态功角轨迹预测方法，该方法考虑了时空特性与系统功角轨迹的 相关性，能有效准确的预测微电网各VSG的功角轨迹。
[0008]为了解决上述技术问题，本专利技术采用如下技术方法：基于注意力机制的时空 图卷
积神经网络的微电网暂态功角轨迹预测方法，包括：
[0009]步骤S1，确定时空图卷积神经网络的输入特征及输出特征：
[0010]先定义任意时间断面的微电网为一张无向图G＝(X
t
，A)，无向图中每一个节 点分别代表一个VSG，X
t
为无向图中时间断面t各节点所有通道的检测值，包括 各节点的输出有功功率P、输出无功功率Q、输出电压幅值V、功角δ、功角加 速度α，A为无向图中由各节点之间的电气距离组成的电气邻接矩阵；
[0011]再确定以当前时间各VSG所有通道的检测值以及电气邻接矩阵为时空图卷 积神经网络的输入特征，并以预测的未来时间各VSG的功角值作为时空图卷积 神经网络的输出特征；
[0012]步骤S2，构建基于注意力机制的时空图卷积神经网络的微电网功角轨迹预 测模型：所述模型包括m个依次连接的时空模块和一个提取时空特征的二维标 准卷积层；每个时空模块均包含依次连接的捕捉时间动态的时间注意力层TAL、 捕捉空间动态的空间注意力层SAL、挖掘空间特征的空间卷积层GCN和挖掘时 序特征的时间卷积层2DConV；
[0013]步骤S3，样本数据生成和数据预处理：获取若干时间断面的无向图数据， 生成样本数据，其中，前一时间断面各节点所有通道的输出有功功率P、输出无 功功率Q、输出电压幅值V、功角δ、功角加速度α、电气邻接矩阵A为输入特 征数据，后一时间断面各节点所有通道的功角δ为输出特征数据，对样本数据进 行预处理，并将样本数据划分为训练样本、验证样本和测试样本；
[0014]步骤S4，使用训练样本对步骤S2构建的模型进行训练，后将验证样本送入 训练后的模型中来计算验证预测结果，取验证效果最佳的一次训练参数作为最终 的模型参数，得到最优化的模型；
[0015]步骤S5，使用测试样本对所述最优化的模型进行性能评估，若性能测试结 果理想，则可将当前采集计算的输入特征送入最优化的模型中得到输出特征，以 预测未来时刻微电网各VSG的功角轨迹，否则转至步骤S4。
[0016]进一步地，所述无向图中各参数的计算方法如下：
[0017]1)时间断面t各节点所有通道的检测值X
t
[0018]在τ时间内各节点所有通道的检测值为X＝[X1,X2,X3,
…
,X
τ
]，其中，在τ时 间断面内任意一时刻t的X
t
表示为：
[0019][0020]2)电气邻接矩阵A
[0021]首先，根据下式(2)计算各节点的阻抗矩阵Z
VSG
：
[0022][0023]其中，Z
ii
为第i台VSG的自阻抗，Z
ij
为第i台VSG到第j台VSG的互阻抗， 1<i<N,1<j<N,i≠j；
[0024]接下来，根据下式(3)计算任意两节点之间的电气距离D
ij
；
[0025]D
ij
＝|(Z
ii
‑
Z
ij
)
‑
(Z
ij
‑
Z
jj
)|
2 (1≤i,j≤N)
ꢀꢀ
(3)
[0026]最后，根据下式(4)将电气距离D
ij
进行归一化处理；
[0027][0028]则得到如下式(5)所示的电气邻接矩阵A。
[0029][0030]再进一步地，对于时空图卷积神经网络的输出特征，假设预测未来σ时间断 面微电网各VSG的功角轨迹，则时空图卷积神经网络对应的输出特征表示为 Y＝[Y
τ+1
,Y
τ+2
,Y
τ+3
,
…
,Y
τ+ρ
]，其中，在τ至τ
+
ρ时间内任意一时刻τ
+
t的Y
τ+t
表示 为：
[0031][0032]再进一步地，所述模型中任意一个时空模块r，1<r&本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于注意力机制的时空图卷积神经网络的微电网暂态功角轨迹预测方法，其特征在于，包括：步骤S1，确定时空图卷积神经网络的输入特征及输出特征：先定义任意时间断面的微电网为一张无向图G＝(X
t
，A)，无向图中每一个节点分别代表一个VSG，X
t
为无向图中时间断面t各节点所有通道的检测值，包括各节点的输出有功功率P、输出无功功率Q、输出电压幅值V、功角δ、功角加速度α，A为无向图中由各节点之间的电气距离组成的电气邻接矩阵；再确定以当前时间各VSG所有通道的检测值以及电气邻接矩阵为时空图卷积神经网络的输入特征，并以预测的未来时间各VSG的功角值作为时空图卷积神经网络的输出特征；步骤S2，构建基于注意力机制的时空图卷积神经网络的微电网功角轨迹预测模型：所述模型包括m个依次连接的时空模块和一个提取时空特征的二维标准卷积层；每个时空模块均包含依次连接的捕捉时间动态的时间注意力层TAL、捕捉空间动态的空间注意力层SAL、挖掘空间特征的空间卷积层GCN和挖掘时序特征的时间卷积层2DConV；步骤S3，样本数据生成和数据预处理：获取若干时间断面的无向图数据，生成样本数据，其中，前一时间断面各节点所有通道的输出有功功率P、输出无功功率Q、输出电压幅值V、功角δ、功角加速度α、电气邻接矩阵A为输入特征数据，后一时间断面各节点所有通道的功角δ为输出特征数据，对样本数据进行预处理，并将样本数据划分为训练样本、验证样本和测试样本；步骤S4，使用训练样本对步骤S2构建的模型进行训练，后将验证样本送入训练后的模型中来计算验证预测结果，取验证效果最佳的一次训练参数作为最终的模型参数，得到最优化的模型；步骤S5，使用测试样本对所述最优化的模型进行性能评估，若性能测试结果理想，则可将当前采集计算的输入特征送入最优化的模型中得到输出特征，以预测未来时刻微电网各VSG的功角轨迹，否则转至步骤S4。2.根据权利要求1所述的基于注意力机制的时空图卷积神经网络的微电网暂态功角轨迹预测方法，其特征在于，所述无向图中各参数的计算方法如下：1)时间断面t各节点所有通道的检测值X
t
在τ时间内各节点所有通道的检测值为X＝[X1,X2,X3,
…
,X
τ
]，其中，在τ时间断面内任意一时刻t的X
t
表示为：2)电气邻接矩阵A首先，根据下式(2)计算各节点的阻抗矩阵Z
VSG
：
其中，Z
ii
为第i台VSG的自阻抗，Z
ij
为第i台VSG到第j台VSG的互阻抗，1<i<N,1<j<N,i≠j；接下来，根据下式(3)计算任意两节点之间的电气距离D
ij
；D
ij
＝|(Z
ii
‑
Z
ij
)
‑
(Z
ij
‑
Z
jj
)|2(1≤i,j≤N)
ꢀꢀꢀ
(3)最后，根据下式(4)将电气距离D
ij
进行归一化处理；则得到如下式(5)所示的电气邻接矩阵A。3.根据权利要求2所述的基于注意力机制的时空图卷积神经网络的微电网暂态功角轨迹预测方法，其特征在于：对于时空图卷积神经网络的输出特征，假设预测未来σ时间断面微电网各VSG的功角轨迹，则时空图卷积神经网络对应的输出特征表示为Y＝[Y
τ+1
,Y
τ+2
,Y
τ+3
,
…
,Y
τ+ρ
]，其中，在τ至τ
+
ρ时间内任意一时刻τ
+
t的Y
τ+t
表示为：4.根据权利要求3所述的基于注意力机制的时空图卷积神经网络的微电网暂态功角轨迹预测方法，其特征在于，所述模型中任意一个时空模块r，1<r<m，其计算过程如下：步骤S21，先将第r层时空模块的输入特征输入至时间注意力层TAL中，根据公式(7)计算得到时间注意力矩阵T，为保证神经网络的快...

【专利技术属性】
技术研发人员：帅智康，赵慧敏，赵峰，彭也伦，沈阳，王钰泉，董雪梅，
申请(专利权)人：湖南大学，
类型：发明
国别省市：